python - 在 python 中读取 pdf 文件时，编解码器出现 unicode 错误

Question

我正在尝试阅读包含以下内容的pdf文件：

%PDF-1.4\n%âãÏÓ

如果我用 open 读取它，它可以工作，但如果我尝试使用 codecs.open(filename, encoding="utf8", mode="rb") 获取 unicode 字符串，我得到以下异常：

UnicodeDecodeError: 'utf8' codec can't decode byte 0xe2 in position 10: invalid continuation byte

您知道从该文件的内容中获取 unicode 字符串的方法吗？

PS：我正在使用python 2.7

Answer 1

PDF 由二进制数据而非文本组成。它们不能有意义地表示为 Unicode 字符串。

对于它的价值，您可以通过将 PDF 视为 ISO8859-1 文本来获取包含这些特定字符的 Unicode 字符串：

f = codecs.open(filename, encoding="ISO8859-1", mode="rb")

但在这一点上，你最好只使用普通open和读取字节。Unicode 用于文本，而不是数据。

Answer 2

除了尝试将任意二进制数据解释为文本的问题外，0xe2 在 Latin-1 中是 â，而不是 UTF-8。您使用了错误的编解码器。